本发明涉及人工智能领域,特别是一种心理压力状况预测方法及系统。
背景技术:
随着社会经济的不断发展,人们越来越多地面对着各方面的压力困境,如果长期处于这种压力环境之下,会使人的身体和心理处于一种亚健康状况,其中的心理疾病给人们带来的困扰最大,甚至导致严重的精神或人格障碍,给人们带来极大的痛苦。
一般情况下,当人们存在严重心理疾病时才会求助于心理医生,不仅为时已晚,收效甚微,而且连续多次的心理咨询所产生的高昂心理咨询费用也给人们带来巨大的经济压力。此外,面对各种各样的心理问题和职业压力,逐渐成为职场中的“隐形杀手”,员工的压力问题每年都使企业承受巨大的经济损失,甚至造成严重的社会影响。
随着人工智能和大数据技术的发展,利用人工智能技术可以从大数据中提出主要特征信息,因此可以建立一种用于心理压力状况预测的人工智能处理方法,能够快速地、高效、便捷、智能地服务于广大用户,实现对心理压力指标的测量与预测。
目前,在确定深度信念网络模型的隐含层层数以及隐含层神经元个数方法中,除了有学者使用粒子群优化方法外,其它的大多数是依靠多次人工实验尝试分析方法。
技术实现要素:
本发明所要解决的技术问题是,针对现有技术不足,提供一种心理压力状况预测方法及系统,利用深度信念网络模型实现对用户心理压力状况的自动预测。
为解决上述技术问题,本发明所采用的技术方案是:一种心理压力状况预测方法,包括以下步骤:
1)采集样本用户的基本生理指标信息,利用所述基本生理指标信息构建深度信念网络模型的训练库;
2)收集对所述训练库中的不同样本的心理分析结果;
3)将所述用户的基本生理指标信息作为输入,所述心理分析结果作为输出;使用遗传算法确定深度信念网络模型的隐含层层数以及每个隐含层的神经元个数,最终训练出深度信念网络模型的连接权值和偏置值;
4)将基本生理指标输入到步骤3)训练出的深度信念网络模型,确定心理压力状况。
所述基本生理指标信息包括体温、心率、血压、心电、肌电、皮肤电、睡眠时间和饮食情况。
步骤2)中,所述心理分析结果包括用户处于压力状态或不处于压力状态。
步骤3)中,使用遗传算法确定深度信念网络模型的隐含层层数以及每个隐含层的神经元个数的计算过程包括:
1)编码隐含层层数cr和每个隐含层的神经元个数nκ,并随机产生cr和nκ的值;
2)输入训练样本用户数据,计算深度信念网络模型输出的真实值与预测值之间的差值,即为绝对误差值,以绝对误差值之和为适应度函数,以适应度的大小为标准评价隐含层层数cr和每个隐含层的神经元个数nκ;
3)筛选出绝对误差之后最小的个体,直接将其遗传给下一代;
4)通过交叉、变异进化当前群体,并产生下一代群体;
5)重复步骤2)~步骤4),不断更新隐含层层数cr和每个隐含层的神经元个数nκ;
6)当适应度保持不变时,得到深度信念网络模型的隐含层层数cr和每个隐含层的神经元个数nκ值。
本发明还提供了一种心理压力状况预测系统,其包括:
采集模块,用于采集样本用户的基本生理指标信息,利用所述基本生理指标信息构建深度信念网络模型的训练库;
分析模块,用于收集对所述训练库中的不同样本的心理分析结果;
训练模块,用于将所述用户的基本生理指标信息作为输入,所述心理分析结果作为输出;使用遗传算法确定深度信念网络模型的隐含层层数以及每个隐含层的神经元个数,最终训练出深度信念网络模型的连接权值和偏置值;
预测模块,用于将基本生理指标输入到训练出的深度信念网络模型,确定心理压力状况。
与现有技术相比,本发明所具有的有益效果为:本发明利用深度学习中的深度信念网络构建神经网络模型,通过遗传算法自动确定深度学习模型的结构,并根据预训练好的模型自动预测用户的心理压力状况,从而实现对用户心理压力状况的自动预测。
附图说明
图1是本发明实施的用于心理压力状况预测的流程示意图:
图2是本发明实施的用于心理压力状况预测的深度信念网络模型结构图。
具体实施方式
图1是本发明实施例子提供的用于心理压力状况预测的流程示意图。包括以下步骤:
步骤1,采集样本用户的基本生理指标信息,以构建基本生理指标信息数据库;
所述样本用户基本生理指标包括体温、心率、血压、心电、肌电、皮肤电、以及监测睡眠时间和饮食情况等。根据样本用户基本生理指标值测量,完成对用户基本生理指标信息采集。
其中,所述样本基本生理测量指标仅是对可能的生理指标的列举,不作为对本发明的限定。
建立如下深度信念网络模型
其中,
步骤2,收集心理专家对所述样本用户基本生理指标信息数据库中不同组的生理指标的心理分析结果:
收集心理专家基于对上述步骤生成的用户基本生理指标信息数据库中的各组基本生理指标分析出的心理压力结果。其中,所述心理分析结果包括用户处于压力和不压力等。判断依据是根据用户的心理压力预测值是否超过心理专家定义的心理压力警戒值α;
步骤3,将所述用户基本生理指标值x1,x2,…xp作为输入,所述心理压力分析结果作为输出,结合遗传算法自动确定多层深度信念网络模型的框架,并训练出所述深度信念网络模型的连接权值和偏置值。
使用遗传算法确定深度信念网络模型的隐含层层数cr以及每个隐含层的神经元个数nκ:
1)编码隐含层层数cr和每个隐含层的神经元个数nκ;并随机产生cr和nκ的值;
2)输入训练样本用户数据,计算深度信念网络模型输出的真实值与预测值之间的差值,得到绝对误差值,以绝对误差之和为适应度函数,以适应度的大小为标准评价隐含层层数cr和每个隐含层的神经元个数nκ;
3)从步骤2)中筛选出绝对误差之后最小的个体,直接将其遗传给下一代;
4)通过交叉、变异等步骤进化当前群体,并产生下一代群体;
5)重复步骤2)至步骤4),这样深度信念网络模型的隐含层层数cr和每个隐含层的神经元个数nκ得到不断更新,直到多次进化,适应度保持不变;
6)当适应度保持不变时,得到深度信念网络模型的隐含层层数cr和每个隐含层的神经元个数nκ值;遗传算法步骤结束;
将步骤3训练出的输出值与收集得到的心理专家分析结果值相对比,再使用bp算法反向调整整个深度信念网络模型中的连接权值和偏置值;
根据bp算法微调后得到的深度信念网络模型的连接权值和偏置值作为深度信念网络模型参数的最终值;
实际心理压力状况预测时,首先测量被测用户的基本生理指标值,即体温、心率、血压、心电、肌电、皮肤电、以及监测睡眠时间和饮食情况等;
将被测用户的基本生理指标值作为训练好的深度信念网络模型输入;
根据如下公式计算出深度信念网络模型的输出值,得到被测用户的心理压力预测值;
如果用户的心理压力预测值超过心理专家定义的心理压力警戒值α,那么系统会发出亚健康提醒,征得用户同意之后接受心理压力量表测试,以进一步分析用户的认知、情绪、人格等心理与行为问题方面的具体表现及严重程度,得出分析报告并提供心理咨询与治疗方案,
综上所述,本发明所述的心理压力状况预测模型能够自动分析出被测用户的心理压力状况,从而实现被测用户的心理压力状况的自动分析。